《Egyptian Journal of Medical Human Genetics》:Integrating inheritance model selection, weighted polygenic scoring, and interpretable machine learning for cardiotoxicity risk prediction in pediatric ALL
编辑推荐:
背景:蒽环类药物诱导的心脏毒性对急性淋巴细胞白血病(ALL)的治疗结局产生不良影响。药物代谢酶和膜转运蛋白的遗传变异可能调节个体易感性。本研究考察了ALL患者心脏毒性的遗传易感性,并利用多基因风险评分和机器学习评估累积风险。
方法:研究纳入216例接受基于蒽
背景:蒽环类药物诱导的心脏毒性对急性淋巴细胞白血病(ALL)的治疗结局产生不良影响。药物代谢酶和膜转运蛋白的遗传变异可能调节个体易感性。本研究考察了ALL患者心脏毒性的遗传易感性,并利用多基因风险评分和机器学习评估累积风险。
方法:研究纳入216例接受基于蒽环类药物的诱导化疗的ALL患者。心脏毒性定义为诱导治疗后左心室射血分数(LVEF)下降超过10个百分点至53%以下,或存在临床心脏异常。对5个变异(SOD2 rs4880、CBR1 rs9024、PNPLA3 rs738409、ABCC1 rs4148350和ABCG2 rs2231142)进行基因分型。
结果:经Bonferroni校正后,ABCG2 rs2231142是唯一显著的变异,在共显性模型下AC基因型风险最高(OR=5.25,95% CI: 1.84–14.95;p < 0.001;AIC=240.70)。CBR1 rs9024在隐性模型下表现出显著的风险增加效应(OR=1.70;p=0.004)。β加权多基因风险评分(PRS)优于未加权加性评分(AUC: 0.802对0.498),三分位分层显示显著剂量-反应关系,心脏毒性率从11.0%升至62.5%(趋势p < 0.001)。在五种机器学习分类器中,未使用过采样的LightGBM和使用SMOTE的决策树均达到AUC=0.73。
结论:ABCG2 rs2231142是稳健的单变异决定因素,而CBR1 rs9024在多变量logistic回归的隐性模型下成为第二个独立显著的风险变异。SOD2、PNPLA3和ABCC1变异单独低于显著性阈值,但在加权PRS中聚合后产生有意义的贡献,强调多基因分析相对于单变异分析的互补价值。将遗传预测因子与机器学习相结合,为儿童ALL心脏毒性风险个体化分层提供了一个有前景的框架。
研究背景与目的
蒽环类药物是儿童急性淋巴细胞白血病(ALL)诱导化疗的核心药物之一,但其诱导的心脏毒性可导致短期和长期不良结局,影响患者生活质量和生存率。药物代谢酶和膜转运蛋白的遗传变异可能调节个体对蒽环类药物心脏毒性的易感性。目前,ALL中蒽环类诱导心脏毒性的多基因基础仍未充分阐明,尤其在巴基斯坦人群中,群体特异性等位基因频率可能与既往研究队列不同。为此,研究人员开展了一项横断面研究,考察五个药物代谢酶和ABC转运蛋白相关基因变异与心脏毒性的关联,并通过加权多基因风险评分(PRS)和机器学习评估累积遗传风险的预测价值。
研究队列与主要方法
研究队列来自巴基斯坦拉合尔儿童医院与儿童健康研究所,纳入2020年12月至2021年9月确诊的216例ALL患儿(心脏毒性79例,非心脏毒性137例),均接受UKALL 2003方案诱导化疗。采用候选基因法对5个变异进行Tetra-ARMS PCR基因分型;用逻辑回归拟合四种遗传模型,以赤池信息准则(AIC)选择最优模型并做Bonferroni校正;构建未加权加性PRS和β加权最优模型PRS,用受试者工作特征曲线下面积(AUC)评价区分度并按三分位分析剂量-反应关系;用五种机器学习分类器(逻辑回归LR、支持向量机SVM、决策树DT、极端梯度提升XGBoost、轻量梯度提升机LightGBM)在80%训练集/20%测试集上预测心脏毒性,结合合成少数类过采样技术(SMOTE)处理类别不平衡;最后用SHapley加法解释(SHAP)分析特征贡献。
研究结果
一般临床特征:216例患者中79例(36.57%)发生心脏毒性,137例(63.43%)未发生。男性占72.2%,平均诊断年龄为7.13±3.78岁,T-ALL占19.0%。癌症家族史是唯一与心脏毒性显著相关的临床特征,在心脏毒性组中比例更高(30.4%对17.5%,p=0.043),完全调整模型中OR=2.18;性别、年龄和免疫表型无显著关联。
基因分型与单变异关联:等位基因频率χ
2